深度学习在生物医药领域的应用
本数据库通过收集和整理最新科研文献信息而得，供了解领域前沿进展之用。数据源自 PubMed Data ，每日自动更新（使用关键词“['deep learning']”过滤），已收录文献数量参见 统计表格。表格内容由 GPT 自动整理，可能存在错误或遗漏，请使用时务必注意核实！
如有建议或合作意向，欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布，欢迎下载 源码 自行修改使用。如觉得不错，还请不吝 给我打赏，你的支持是我继续创新的重要动力！
添加微信请说明来意
微信赞赏
除通过在线浏览外，为方便用户离线查阅，本站也提供 付费下载（定价19.9元）。之所以考虑收费，是因为批量扫描这些文献并整理也是有一定成本的，还请理解并多多支持。本站数据会持续更新，而仅需一次付费，未来就可以随时重新下载到最新版本数据。
当前共找到 33074 篇文献，本页显示第 10261 - 10280 篇。
| 序号 | 推送日期 | 文章 | 类型 | 简述 | 创新点 | 不足 | 研究目的 | 研究对象 | 领域 | 病种 | 技术 | 模型 | 数据类型 | 样本量 | 算法框架 | 模型架构 | 性能指标 | 计算资源 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 10261 | 2025-05-31 |
Evaluation of spatial visual perception of streets based on deep learning and spatial syntax
2025-May-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-03189-z
PMID:40419619
|
research paper | 该研究应用深度学习和空间句法评估街道空间视觉感知质量，并分析其与街道构成元素的相关性 | 结合深度学习和人机对抗模型对街景图像进行六维度评分，并通过空间可视化与多元线性回归分析街道质量与构成元素的关系 | 研究区域有限，未涉及不同气候或文化背景下的街道质量对比 | 提升城市街道视觉质量，为精准化街道改造提供数据支持 | 城市街道空间及其视觉构成元素（绿化、行人、墙体等） | computer vision | NA | deep learning, spatial syntax | human-machine adversarial model | street view images | 未明确样本量（研究区域内街道） | NA | NA | NA | NA |
| 10262 | 2025-05-28 |
Correction: Formation permeability estimation using mud loss data by deep learning
2025-May-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-03476-9
PMID:40419611
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 10263 | 2025-05-31 |
Intelligent traffic congestion forecasting using BiLSTM and adaptive secretary bird optimizer for sustainable urban transportation
2025-May-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-02933-9
PMID:40419628
|
research paper | 该研究提出了一种结合双向长短期记忆网络（BiLSTM）和自适应秘书鸟优化器（ASBO）的深度学习方法，用于智能交通系统中的交通拥堵预测 | 创新点在于将强化学习（RL）与BiLSTM结合，并引入ASBO优化器，显著提高了交通拥堵预测的准确性 | 未提及具体的数据集规模或实际应用场景的限制 | 旨在通过智能交通拥堵预测减少空气污染，提升城市交通的可持续性 | 城市交通网络中的交通拥堵模式 | machine learning | NA | Deep Learning, Reinforcement Learning | BiLSTM, ASBO | traffic data | 基于Traffic Prediction Dataset，具体样本量未提及 | NA | NA | NA | NA |
| 10264 | 2025-05-31 |
Digital image enhancement using deep learning algorithm in 3D heads-up vitreoretinal surgery
2025-May-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-98801-7
PMID:40419711
|
research paper | 本研究旨在利用深度学习算法预测3D头戴式玻璃体视网膜手术中的最佳成像参数，并评估其在提高手术中玻璃体视网膜表面可见性方面的有效性 | 采用两阶段生成对抗网络(GAN)和卷积神经网络(CNN)架构，开发了一种深度学习算法，用于数字图像增强 | 研究仅基于212张手动优化的静态图像和121张匿名高分辨率ERM眼底图像，样本量相对较小 | 提高3D头戴式玻璃体视网膜手术中图像的清晰度、亮度和对比度 | 玻璃体视网膜手术图像和ERM眼底图像 | digital pathology | 视网膜疾病 | 深度学习算法 | GAN和CNN | 图像 | 212张手术视频提取的静态图像和121张ERM眼底图像 | NA | NA | NA | NA |
| 10265 | 2025-05-31 |
A novel MRI-based deep learning imaging biomarker for comprehensive assessment of the lenticulostriate artery-neural complex
2025-May-26, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-01676-3
PMID:40420012
|
研究论文 | 开发一种基于深度学习的MRI成像生物标志物，用于全面评估豆纹动脉-神经复合体 | 利用ResNet18框架从豆纹动脉供血区域提取深度学习特征，并将其作为成像生物标志物，首次全面评估豆纹动脉-神经复合体 | 样本量较小，仅79名患者参与研究 | 开发一种新的成像生物标志物，用于评估豆纹动脉-神经复合体的功能状态 | 豆纹动脉供血区域和豆纹动脉-神经复合体 | 数字病理学 | 脑血管疾病 | MRI, DTI, ASL | ResNet18 | 图像 | 79名患者 | NA | NA | NA | NA |
| 10266 | 2025-05-31 |
A comparative analysis of deep learning models for assisting in the diagnosis of periapical lesions in periapical radiographs
2025-May-26, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-025-06104-0
PMID:40420083
|
研究论文 | 本研究比较了ConvNeXt和ResNet34两种深度学习模型在辅助诊断根尖周病变中的效果 | 首次评估了深度学习模型对新手牙医诊断根尖周病变的辅助作用，并比较了两种模型的性能差异 | 研究仅使用了根尖周X线片，未考虑其他影像学检查方法 | 评估深度学习模型在辅助诊断根尖周病变中的应用价值 | 根尖周病变的X线影像 | 数字病理学 | 根尖周病变 | 深度学习 | CNN（ConvNeXt和ResNet34） | 图像 | 1305张根尖周X线片（训练集1044张，验证集261张）和800颗单独牙齿的X线片 | NA | NA | NA | NA |
| 10267 | 2025-05-31 |
Surfactant representation using COSMO screened charge density for adsorption isotherm prediction using Physics-Informed Neural Network (PINN)
2025-May-26, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-025-01027-y
PMID:40420147
|
research paper | 本研究开发了一种基于物理信息神经网络（PINN）的吸附模型，用于预测表面活性剂的吸附行为，整合了分子特征、测试条件和固体性质 | 将COSMO屏蔽电荷密度描述符整合到物理信息深度学习模型中，以预测表面活性剂吸附等温线，提供了一种新颖的方法来准确表示表面活性剂分子 | 模型在全新结构的表面活性剂预测上表现一般（RMSE 2.95 mg/g） | 开发一个包含分子特征、测试条件和固体性质的吸附模型，以预测表面活性剂的吸附行为 | 56个吸附等温线和20种阴离子和非离子表面活性剂，在不同条件下以沙子和氧化硅为固体 | machine learning | NA | Conductor-like Screening Model (COSMO), Physics-Informed Neural Network (PINN) | Physics-Informed Neural Network (PINN), artificial neural networks (ANN) | adsorption isotherms, molecular descriptors | 56 adsorption isotherms and 20 types of surfactants | NA | NA | NA | NA |
| 10268 | 2025-05-31 |
An advanced deep learning method for pepper diseases and pests detection
2025-May-26, Plant methods
IF:4.7Q1
DOI:10.1186/s13007-025-01387-4
PMID:40420214
|
research paper | 本研究提出了一种名为YOLO-Pepper的深度学习模型，专门用于温室辣椒病虫害检测，解决了小目标识别、遮挡下的多尺度特征提取和实时处理需求等关键问题 | YOLO-Pepper引入了四个主要创新点：自适应多尺度特征提取模块(AMSFE)、动态特征金字塔网络(DFPN)、专为小目标设计的小检测头(SDH)以及Inner-CIoU损失函数，相比标准CIoU定位精度提高了18% | NA | 开发一种高效的深度学习模型，用于温室辣椒病虫害的智能检测 | 温室辣椒的病虫害 | computer vision | NA | deep learning-based object detection | YOLO-Pepper (基于YOLOv10n改进) | image | 8046张标注图像 | NA | NA | NA | NA |
| 10269 | 2025-05-31 |
Advancing Traditional Dunhuang Regional Pattern Design with Diffusion Adapter Networks and Cross-Entropy
2025-May-21, Entropy (Basel, Switzerland)
DOI:10.3390/e27050546
PMID:40422500
|
研究论文 | 本文提出了一种名为扩散适配器网络（DANet）的新方法，用于高效生成敦煌图案，以促进传统文化的传承 | 引入了轻量级适配器模块和多头注意力模块（MHAM），结合多尺度注意力模块（MSAM）和自适应控制机制（ACM），显著提高了敦煌图案生成的准确性和细节捕捉能力 | 敦煌图案的可用性有限，难以大量收集 | 通过机器学习和深度学习方法促进传统敦煌图案的设计与传承 | 敦煌图案 | 计算机视觉 | NA | 扩散模型 | DANet（扩散适配器网络） | 图像 | 多样化敦煌图案数据集（DDHP） | NA | NA | NA | NA |
| 10270 | 2025-05-31 |
Three-Blind Validation Strategy of Deep Learning Models for Image Segmentation
2025-May-21, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging11050170
PMID:40423027
|
研究论文 | 提出了一种称为三盲验证策略的新验证框架，用于在主观性和标签变异性显著的情况下严格评估分割模型 | 引入了三盲验证策略，通过独立专家评估混合的分割结果，以无偏见地评估模型性能并揭示系统性问题 | 未提及具体的样本数量或数据集的多样性限制 | 介绍并证明这种验证策略作为一种可推广的框架，用于主观分割任务中的稳健模型评估 | 图像分割模型 | 计算机视觉 | NA | NA | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 10271 | 2025-05-31 |
IEWNet: Multi-Scale Robust Watermarking Network Against Infrared Image Enhancement Attacks
2025-May-21, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging11050171
PMID:40423028
|
research paper | 提出了一种名为IEWNet的多尺度鲁棒水印网络，用于抵抗红外图像增强攻击 | 结合UDTCWT提取图像特征，并开发了一个针对深度学习和经典攻击的噪声层 | 未提及具体的数据集规模或实验条件的限制 | 提高红外图像水印在增强攻击下的鲁棒性 | 红外图像 | computer vision | NA | Undecimated Dual Tree Complex Wavelet Transform (UDTCWT) | IEWNet | image | 六个公共数据集 | NA | NA | NA | NA |
| 10272 | 2025-05-31 |
Multi-Threshold Remote Sensing Image Segmentation Based on Improved Black-Winged Kite Algorithm
2025-May-19, Biomimetics (Basel, Switzerland)
DOI:10.3390/biomimetics10050331
PMID:40422161
|
研究论文 | 提出了一种名为IBKA-OTSU的自适应多阈值图像分割方法，用于解决现有基于深度学习的图像分割方法对大规模标注数据集和高计算复杂度的依赖问题 | 通过系统改进核心算法组件（包括种群初始化策略、攻击行为模式、迁移机制和基于对立的学习策略），显著提升了复杂遥感场景的处理能力，并将改进的智能优化算法与OTSU阈值方法创新性结合，建立了专门针对遥感图像的多阈值分割模型 | NA | 提出一种自适应多阈值图像分割方法，以解决现有深度学习方法的局限性 | 遥感图像 | 计算机视觉 | NA | IBKA-OTSU多阈值分割方法 | OTSU | 图像 | ISPRS Potsdam基准数据集中的代表性样本 | NA | NA | NA | NA |
| 10273 | 2025-05-31 |
Recognizing Epithelial Cells in Prostatic Glands Using Deep Learning
2025-05-18, Cells
IF:5.1Q2
DOI:10.3390/cells14100737
PMID:40422240
|
research paper | 该研究开发了一种名为GlandNet的深度学习网络，用于识别前列腺活检组织中的腺上皮细胞 | 首次开发了GlandNet这一集成机器学习网络，结合半监督学习和人类与AI预测，提高了对前列腺腺上皮细胞的识别能力 | 研究仅针对早期前列腺癌患者的活检样本，样本量相对有限 | 开发AI方法用于前列腺癌病理诊断中的腺上皮细胞识别 | 前列腺活检组织中的腺上皮细胞 | digital pathology | prostate cancer | Feulgen-Thionin染色 | GlandNet (深度学习网络) | image | 82名活动监测患者的110针活检样本，共1,264,772个细胞中心核斑块 | NA | NA | NA | NA |
| 10274 | 2025-05-31 |
Evaluating Second-Generation Deep Learning Technique for Noise Reduction in Myocardial T1-Mapping Magnetic Resonance Imaging
2025-May-18, Diseases (Basel, Switzerland)
DOI:10.3390/diseases13050157
PMID:40422589
|
研究论文 | 评估第二代深度学习技术在心肌T1映射磁共振成像中降噪的效果 | 首次在心肌T1映射中评估超分辨率深度学习重建（SR-DLR）技术对降噪和测量一致性的影响 | 单中心回顾性研究，样本量较小（36例患者） | 评估SR-DLR在心肌T1映射中的降噪效果和测量一致性 | 心肌T1映射磁共振成像 | 数字病理 | 心血管疾病 | 磁共振成像（MRI）、超分辨率深度学习重建（SR-DLR） | 深度学习 | 图像 | 36例患者和7个自制模型 | NA | NA | NA | NA |
| 10275 | 2025-05-31 |
A Transfer Learning-Based VGG-16 Model for COD Detection in UV-Vis Spectroscopy
2025-May-17, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging11050159
PMID:40423016
|
研究论文 | 本文提出了一种基于迁移学习的VGG-16模型，用于紫外-可见光谱中的化学需氧量(COD)检测 | 将一维光谱转换为二维光谱图像，并利用迁移学习的VGG-16模型进行特征提取和建模，显著提高了COD预测的准确性 | 训练深度学习模型需要大量水样数据集，且数据标注任务复杂 | 快速准确地检测水体中的化学需氧量(COD)，以保护环境 | 水体中的化学需氧量(COD) | 计算机视觉 | NA | 紫外-可见光谱(UV-Vis spectroscopy) | VGG-16, CNN | 图像 | NA | NA | NA | NA | NA |
| 10276 | 2025-05-31 |
Noise Suppressed Image Reconstruction for Quanta Image Sensors Based on Transformer Neural Networks
2025-May-17, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging11050160
PMID:40423017
|
research paper | 提出了一种基于Transformer神经网络的量子图像传感器噪声抑制重建方法 | 结合卷积神经网络和Transformer，通过Anscombe变换及串并行模块增强去噪性能和场景适应性 | NA | 解决量子图像传感器在低光成像中的Poisson噪声问题 | 量子图像传感器（QIS） | computer vision | NA | deep learning | CNN, Transformer | image | NA | NA | NA | NA | NA |
| 10277 | 2025-05-31 |
Deep Learning-Based Classification of CRISPR Loci Using Repeat Sequences
2025-05-16, ACS synthetic biology
IF:3.7Q1
DOI:10.1021/acssynbio.5c00174
PMID:40261207
|
研究论文 | 提出了一种基于深度学习的CRISPR位点分类方法CRISPRclassify-CNN-Att，仅利用重复序列进行分类 | 首次提出仅基于重复序列的CRISPR位点分类方法，结合CNN和自注意力机制，采用堆叠策略和迁移学习解决样本不平衡问题 | 对于样本量较少的亚型分类准确性仍有提升空间 | 开发不依赖cas基因的CRISPR-Cas系统分类方法 | CRISPR位点的重复序列 | 机器学习 | NA | 深度学习 | CNN, 自注意力机制 | 序列数据 | 多种亚型的CRISPR位点样本（具体数量未提及） | NA | NA | NA | NA |
| 10278 | 2025-05-31 |
Unleashing the Potential of Residual and Dual-Stream Transformers for the Remote Sensing Image Analysis
2025-May-15, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging11050156
PMID:40423013
|
研究论文 | 本文提出了一种结合ResNet50 V2和Vision Transformer (ViT)架构的双流ResV2ViT模型，用于遥感卫星图像的分类 | 通过双流方法结合ResNet50 V2和ViT，同时提取局部空间特征和全局上下文信息，提高了分类性能 | 未提及具体局限性 | 提升遥感卫星图像分类的准确性和效率 | 遥感卫星图像 | 计算机视觉 | NA | 深度学习 | ResV2ViT (结合ResNet50 V2和ViT) | 图像 | RSI-CB256数据集和另一个包含21个类别的数据集 | NA | NA | NA | NA |
| 10279 | 2025-05-31 |
Beyond Handcrafted Features: A Deep Learning Framework for Optical Flow and SLAM
2025-May-15, Journal of imaging
IF:2.7Q3
DOI:10.3390/jimaging11050155
PMID:40423012
|
研究论文 | 本文提出了一种基于卷积神经网络（CNN）的视觉同步定位与地图构建（SLAM）新方法，用于创建鲁棒的地图 | 利用CNN从预训练模型的中间层提取特征进行光流估计，通过分析数千种层和滤波器组合的偏移误差，找到具有最小偏移误差的特定层和滤波器组合 | NA | 提高视觉SLAM在视角变化、遮挡和光照变化等环境挑战下的鲁棒性和准确性 | 视觉SLAM系统 | 计算机视觉 | NA | CNN | CNN | 图像 | 六个公开可用的数据集 | NA | NA | NA | NA |
| 10280 | 2025-05-31 |
Biomimetic Computing for Efficient Spoken Language Identification
2025-May-14, Biomimetics (Basel, Switzerland)
DOI:10.3390/biomimetics10050316
PMID:40422146
|
研究论文 | 本文提出了一种结合仿生优化技术和深度学习的DBODL-MSLIS方法，用于提高口语语言识别的准确性和效率 | 整合了仿生优化技术（如Dung Beetle Optimization）和深度学习（LSTM网络），通过模拟自然界智能行为优化特征选择和分类性能 | 未提及具体的数据集规模限制或跨语言泛化能力的详细评估 | 提升多语言环境下口语语言识别的准确性和效率 | 多语言口语数据集（IIIT Spoken Language数据集） | 自然语言处理 | NA | Dung Beetle Optimization (DBO), 离散小波变换(DWT), 零交叉率(ZCR), 贝叶斯优化(BO) | LSTM | 语音信号 | 基于IIIT Spoken Language数据集（具体数量未说明） | NA | NA | NA | NA |